KaydedilenlerDerginizi ekleyin

Dergiler / Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi / 2018 / Cilt: 51 - Sayı: 3

Veri Madenciliğinde Kullanılan Öğrenme Yöntemlerinin Farklı Koşullar Altında Karşılaştırılması

Gökhan AKSU
Nuri DOĞAN
Sayfa
71–100
Yayın Tarihi
2018-12-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Farklı yöntemler yardımıyla elde edilen ölçme sonuçlarının veri setini test ve eğitim verisi olarak ayırmayıp aynı veri seti üzerinden hem öğrenme yöntemini eğitip hem de test ettiğimiz taktirde özellikle Random tree ve J.48 öğrenme yöntemlerinin gerçek performanslarından daha yüksek doğru sınıflama oranına sahip oldukları belirlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Öz Bu çalışmada veri madenciliği ve makine öğrenme yaklaşımının eğitim alanında kullanılması ve bu algoritmalara dayalı olarak elde edilen sonuçların güvenirlik ve geçerlik değerlerinin ne düzeyde olduğu belirlenmeye çalışılmıştır.
📊
Temel Bulgular & Veri:PISA 2015 Türkiye ortalamasına göre öğrencilerin başarılı ve başarısız olarak sınıflandığı çalışmada farklı öğrenme yöntemleri kullanılarak fen okuryazarlığı bakımından öğrencilerin hangi sınıfta yer alacağı tahmin edilmiş ve bu aşamada elde edilen sonuçların güvenirlik ve geçerlik ölçütleri incelenmiştir.
💡
Sonuç & Katkı:Farklı yöntemler yardımıyla elde edilen ölçme sonuçlarının veri setini test ve eğitim verisi olarak ayırmayıp aynı veri seti üzerinden hem öğrenme yöntemini eğitip hem de test ettiğimiz taktirde özellikle Random tree ve J.48 öğrenme yöntemlerinin gerçek performanslarından daha yüksek doğru sınıflama oranına sahip oldukları belirlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2015 Verileri
⚙️Değişkenler:Anahtar Kelimeler Veri madenciliği · WEKA · Öğrenme yöntemi

Özet

Öz Bu çalışmada veri madenciliği ve makine öğrenme yaklaşımının eğitim alanında kullanılması ve bu algoritmalara dayalı olarak elde edilen sonuçların güvenirlik ve geçerlik değerlerinin ne düzeyde olduğu belirlenmeye çalışılmıştır. PISA 2015 Türkiye ortalamasına göre öğrencilerin başarılı ve başarısız olarak sınıflandığı çalışmada farklı öğrenme yöntemleri kullanılarak fen okuryazarlığı bakımından öğrencilerin hangi sınıfta yer alacağı tahmin edilmiş ve bu aşamada elde edilen sonuçların güvenirlik ve geçerlik ölçütleri incelenmiştir. Çalışma kapsamında ele alınan 8 farklı öğrenme yönteminden doğru sınıflama sayısı, doğru sınıflama oranı, kappa istatistiği, karekök hata ve göreceli karekök hata değerleri bakımından en iyi sonuçların Random Forest yöntemiyle elde edilirken Ridge lojistik regresyon, Lojistik model ve Hoefding tree yöntemlerinin en başarılı diğer yöntemler olduğu belirlenmiştir. Çapraz geçerleme yöntemi kullanılmadan tüm veri setinin eğitim ve test veri seti olarak ayrılması durumunda Lojistik model, Random Forest ve Ridge Regresyon yöntemlerinin farklı büyüklükteki test verilerinde en düşük hata değerlerini verirken Random Tree ve J.48 yönteminlerinin en yüksek hata değerlerine sahip olduğu belirlenmiştir. Ridge regresyon, Random forest ve Lojistik model tarafından elde edilen hata değerlerinin de farklı yüzdelikteki test verilerinde oldukça tutarlı olduğu sonucuna ulaşılmıştır. Farklı yöntemler yardımıyla elde edilen ölçme sonuçlarının veri setini test ve eğitim verisi olarak ayırmayıp aynı veri seti üzerinden hem öğrenme yöntemini eğitip hem de test ettiğimiz taktirde özellikle Random tree ve J.48 öğrenme yöntemlerinin gerçek performanslarından daha yüksek doğru sınıflama oranına sahip oldukları belirlenmiştir.

🔖

Bu Makaleye Atıf Yap

AKSU, G., DOĞAN, N. (2018). Veri Madenciliğinde Kullanılan Öğrenme Yöntemlerinin Farklı Koşullar Altında Karşılaştırılması. Ankara Üniversitesi Eğitim Bilimleri Fakültesi Dergisi, Cilt: 51 - Sayı: 3, 71–100. https://ajindex.com/articles/264099

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Ahmed, A. B. and Elaraby, I. S. (2014) Data mining: A prediction for student's performance using classification method. World Journal of Computer Application and Technology, 2(2), 43-47.
  2. Boss, D. D. (2003). Introduction to the bootstrap world. Statistical Science, 18(2), 168-174.
  3. Bramer, M. (2013). Principles of data mining (2nd ed.). London: Springer-Verlag. Brown, M. S. (2014).
  4. Data mining for dummies. Hoboken, New Jersey: John Wiley and Sons. Chamatkar, A. J. and Butey, P. K. (2014). Importance of data mining with different types of data applications and challenging areas. Journal of Engineering Research and Applications, 4(5), 38-41.
  5. Chen, S. X. and J. S. Liu (1997). Statistical applications of the Poisson-binomial and conditional Bernoulli distributions. Statistica Sinica 7, 875–892.
  6. Dekking, F. M., Kraaikamp, C., Lopuhaa, H. P. and Meester, L. E. (2005). A modern ıntroduction to probability and statistics: understanding why and how. United States of America: Springer Science+Business Media. Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78–87.
  7. Egan, J.P. (1975). Signal detection theory and ROC analysis. Series in Cognition and Perception. Academic Press,
  8. New York. Efron, B. (1979). Bootstrap methods: another look at the jackknife. Annals of Statistics, 7, 1–26.
  9. Elayidom, S. M. (2012). Design and development of data mining models for the prediction of manpower (Yayınlanmamış doktora tezi). Cochin University of Science and Technology Computer Science and Engineering, Kochi, India. Elhamahmy, M. E., Elmahdy, H. N. and Saroit, I. A. (2010). A new approach for evaluating intrusion detection system. CiiT International Journal of Artificial Intelligent Systems and Machine Learning, 2(11), 290-298.
  10. Fernandez-Delgado, M., Cernadas, E., Barro, S. and Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15, 3133–3181.
  11. Fraenkel, J. R., Wallen, N. E., and Hyun, H. H. (2012). How to design and evaluate research in education (8th ed.). New York: Mc Graw HIll. Friedman, J. H., and Fisher N. I. (1999). Bump hunting in high-dimensional data. Stat Comput, 9,123–143.
  12. Galdi, P., and Tagliaferri, R. (2017). Data mining: Accuracy and error measures for classification and prediction, in Reference Module in Life Sciences, Holland: Elsevier. Han, J., and Kamber, M. (2006). Data mining: Concepts and techniques, (2nd edition). Hastie,